artikel
Met ‘deep learning’ getrainde beeldherkenningssoftware is bruikbaar om kattenvideo’s op YouTube te herkennen, maar kan ook leren om medisch beeldmateriaal te analyseren. Twee artikelen in JAMA laten zien dat deze programma’s op afgebakende taken ongeveer even goed presteren als medisch specialisten.
Toen de rekenkracht van computers nog beperkt was, moesten softwareontwikkelaars allerlei definities en regels invoeren voordat algoritmen ‘intelligente’ functies konden uitvoeren. Voor bijvoorbeeld het herkennen van diabetische retinopathie moesten programmeurs vormen en contrastverschillen definiëren of anderszins de eigenschappen van een bloeding of een vaatnieuwvorming in de computercode invoeren.
Dankzij het gebruik van snelle grafische processors is het nu mogelijk om kunstmatige netwerken te trainen in het uitvoeren van herkenningstaken. Daarbij leren de programma’s zonder voorafgaande definities welke eigenschappen in bijvoorbeeld plaatjes of geluiden de input kunnen classificeren. Het is dus mogelijk dat de algoritmen diabetische retinopathie op een fundusfoto herkennen op basis van andere beeldinformatie-elementen dan de bloedingen en vaatveranderingen waar een oogarts naar zou zoeken.
Dat zulke met deep learning getrainde kunstmatige neurale netwerken even accuraat in staat zijn om al dan niet medisch beeldmateriaal te classificeren, is inmiddels eigenlijk geen nieuws meer. Dat JAMA nu weer 2 artikelen publiceert waarin dit soort algoritmen met succes beelden classificeren, heeft vooral te maken met de lange weg van bewijsvoering om experimentele technieken naar de klinische praktijk te brengen.
Daniel Shu Wei Ting (Singapore Eye Research Institute) en collega’s laten zien dat hun programma, na het doorwerken van een trainingsset van bijna een half miljoen geannoteerde fundusfoto’s, uitstekend in staat is om afwijkingen die kunnen passen bij diabetische retinopathie, glaucoom en maculadegeneratie als zodanig te classificeren in nieuwe foto’s (JAMA. 2017;318:2211-23). Daarbij had het algoritme geen last van het feit dat de foto’s met verschillende camera’s waren gemaakt en ook vormde een mix van etniciteiten van de patiënten geen probleem.
Een Nederlandse publicatie toont in dezelfde uitgave dat een vergelijkbare aanpak prima werkt om algoritmen te trainen op het classificeren van weefselcoupes van lymfeklieren van borstkankerpatiënten (JAMA. 2017;318:2199-210). De computerprogramma’s van Babak Ehteshami Bejnordi (Radoudumc) en collega’s hadden een accuratesse die vergelijkbaar was met die van pathologen als het ging om het herkennen van metastasen in de biopten.
Dat dit soort programma’s hun weg naar medische toepassingen zullen vinden, lijkt onafwendbaar. Het blijft cruciaal om de beperkingen van de software te kennen, net zoals het cruciaal is om ook met menselijke beperkingen rekening te houden.
- Lees op www.ntvg.nl/C3656 meer over kunstmatige intelligentie in de zorg.
Reacties